郝劍南，王瑞紅

(1.東華理工大學測繪工程學院，江西南昌 050000；2.流域生態(tài)與地理環(huán)境監(jiān)測國家測繪地理信息局重點實驗室，江西南昌 050000；3.河北省地礦局第六地質(zhì)大隊，河北石家莊 050000)

傳統(tǒng)的影像分類的主要方法為專家的目視解譯，但這種方法有較大的局限性[1-2]。該方法未能考慮相鄰的像元之間的空間相關性的尺度因素，或者即使有些基于像元的分類算法同紋理特征相融合[2]，其本質(zhì)上也僅僅是考慮了影像特征的尺度因素和像元之間空間的相關性，而其紋理分析的窗口大小或者尺度則往往都采用人為的去給定，使得該方法對紋理特征尺度的定量分析仍然缺少，從而在遙感像元模式識別的自適應尺度選擇上依舊存在一定的盲目性和主觀性[3]，而高分辨率影像像元之間的空間相關性在影像表現(xiàn)中也更加增強，即地物的紋理、結構、形狀等細節(jié)信息越來越突出[4]。在這樣的背景下，面向?qū)ο筮b感影像分類方法越來越受到人們的重視。而高分辨率遙感影像的光譜分辨率較低，表現(xiàn)出了較高類內(nèi)差異和較低類間差異的特點，而它的紋理內(nèi)容卻較為豐富。而紋理能夠在影像灰度模式下反映出地類實體空間分布的特征，因而利用紋理的特征對高分影像進行分類能夠顯著改善影像的分類精度，而且識別精度也會提高。筆者以閃電河鄉(xiāng)馬神廟村的耕地提取為例，進行了紋理特征與面向?qū)ο蠼Y合的高分影像耕地提取應用試驗。

1 數(shù)據(jù)預處理

在對遙感影像的使用之前，首先就是要對影像做預處理的工作。由于源數(shù)據(jù)影像已經(jīng)進行過影像輻射校正，因此，該研究所要做的影像預處理主要有3個方面：對試驗區(qū)域內(nèi)的遙感影像進行拼接、裁剪以及影像的幾何校正。

一般的情況下常用的幾何校正模型有多項式模型、仿射變換的模型和局部三角網(wǎng)模型等[5]。其中，局部三角網(wǎng)的模型比較適合在丘陵及山區(qū)等起伏較大地形的影像的校正，需要分布均勻并且有大量的控制點，所以該研究選用這個模型且試驗前期均勻選取了大量的控制點，應用局部三角網(wǎng)的模型進行幾何精校正，使得影像的RMS能夠控制在1像元內(nèi)，最后再采用三次卷積內(nèi)插的方法進行影像的重采樣，最終完成幾何精校正(裁剪拼接校正后影像如圖1)。

圖1 影像預處理成果Fig.1 Image preprocessing results

2 影像多尺度分割

在對影像對象進行獲取的過程中，主要是運用e Cognition Developer 9.0(易康)軟件對SPOT-5影像進行多尺度分割。最后，對通過設置分割參數(shù)所得到的分割結果進行優(yōu)度分析，從中選取分割效果最佳的圖像作為最終的分割結果。

在對圖像分割的參數(shù)進行設置時，參照已有文獻的研究經(jīng)驗，將圖像的分割尺度取值定在(150，250)的區(qū)間內(nèi)，將其步長設置為10；將形狀指數(shù)和緊密度指數(shù)的取值區(qū)間設置為(0.1，1)，步長取值設置為0.1，然后將所獲取的參數(shù)進行組合得到分割后的圖像。

經(jīng)過多次分割試驗后得出，當原影像圖的R、G、B波段值為1，形狀指數(shù)為0.4，分割尺度為220，緊密度指數(shù)為0.5時，其分割后的結果與實際邊界最吻合，分割的效果如圖2所示。

圖2 圖像分割結果Fig.2 Image segmentation results

3 耕地紋理特征提取與分析

圖像的紋理特征是對象實體以微小的像元的形式表現(xiàn)，可以用對比度、規(guī)則度、方向性和粗糙度等特性來進行描述[6]。耕地紋理特征的提取主要分為圖像歸一化、圖像二值化，對局部紋理特征進行分析統(tǒng)計的算法有灰度共生矩陣算法或局部二值模型，該研究只采用了灰度共生矩陣法。

3.1紋理增強

3.1.1圖像歸一化。圖像的歸一化有利于降低灰度差異，減小脊骨線之間的灰度差距，并通過對圖像灰度分布的優(yōu)化，使其更為靠近期望值與方差，統(tǒng)一后續(xù)圖像處理過程中的標準。

若遙感影像的長寬分別為M和N，I(i，j)是圖像中(i,j)位置的像元灰度數(shù)據(jù)，則灰度均值(Mmean)和標準方差的公式如下：

(1)

(2)

假設M0和V0為原始灰度均值與方差，則經(jīng)過歸一化后的像元(i，j)的位置像素的灰度數(shù)值為G(i,j),公式為：

(3)

3.1.2圖像二值化。圖像二值化是把遙感影像換算為二值圖，在圖中灰度值只有0和1這2個數(shù)值可取[7]。通過圖像二值化處理，圖像紋理結構變得更為清晰，一定程度上消除了噪音的影響，也能使得影像數(shù)據(jù)更為簡單?；叶榷祷饺缦拢?/p>

(4)

式中，f(pi)是原始圖像的像元灰度值；g(pi)為圖像經(jīng)過二值化處理之后圖像像元的灰度值；T表示的是指定閾值。從二值化進行處理的過程來看，是把灰度值大于閾值的所有像元判斷為前景區(qū)，并將其賦值1；反之賦值為0。

應用較為廣泛的二值化方法有固定閥值、方向圖和區(qū)域自適應3種方法[7-8]。固定閥值法使用單一指標進行處理時，難以解決圖像的噪聲干擾與不均勻的光照等對結果數(shù)據(jù)產(chǎn)生干擾的因素，使得在取值過程中斷線的產(chǎn)生不可避免；區(qū)域自適應法由于閾值依據(jù)未能有效利用圖像中的紋理信息，造成二值化結果容易受噪聲干擾影響[9]；方向圖法在噪聲平滑處理、去除邊界毛刺、連接微小斷線等方面都具有良好的作用，應用廣泛。因此，該研究使用方向圖法(圖3)。

圖3 方向圖法Fig.3 Direction pattern method

方向圖法在應用中，則一般將模板的中心作為基準點，使用模板大小一般為9×9，按以下過程進行具體運算：

(a)首先為了去除異常值，模板采用3×3窗口，計算出所有窗口內(nèi)像元的平均值，將中心像元賦為平均值，中心以外的像元灰度值保持不變。

(b)接著模板擴大為9×9 的窗口，把圖像紋理方向通過量化到0～7這8個方向上，并根據(jù)這8個方向上標有i(i=0，1，…，7，分別代表8個方向)的位置的像元灰度值，對各個方向灰度值的最大值(Smax)和最小值(Smin)以及平均值(Smean)進行計算與統(tǒng)計，其中P點不參與數(shù)據(jù)計算與統(tǒng)計。

(c)依據(jù)公式(5)，使用動態(tài)閾值進行第1次二值化運算：

(5)

(d)根據(jù)步驟(c)計算的T(pi)值及其鄰域(3×3窗口)T(pi)值的分布狀況，進一步進行第2次二值化運算。計算公式如下：

(6)

式中，sum表示T(pi)鄰域內(nèi)像元值為1的全部像元數(shù)量。

總的來說，紋理增強算法的實現(xiàn)過程具體可分為以下3步：

第一步，將RGB圖像借助公式(7)轉化為所需要的灰度圖像，處理結果見圖4-b。

Grey_Image=0.299 00R+0.587 00G+0.114 00B

(7)

第二步，對所得到的灰度圖像借助歸一化方法進行預處理。在對原始圖像進行歸一化處理的過程中，將期望的灰度均值M0與方差V0分別設為150和2 000，從而獲得灰度偏差較小的影像圖(圖4-c)。

第三步，在圖像歸一化的基礎上，借助方向圖法進行圖像的二值化處理。在試驗過程中，對原始圖像分別進行了經(jīng)1次循環(huán)(圖4-d)和經(jīng)4次循環(huán)的二值化(圖4-e)，最終將2次二值化進行求和，得到了較為理想的二值化效果圖(圖4-f)。

圖4 紋理增強過程Fig.4 Texture enhancement process diagram

3.2灰度共生矩陣紋理特征提取灰度共生矩陣算法在20世紀70年代由Haralick所提出[10]，該算法是用來對紋理特征進行分析、統(tǒng)計的經(jīng)典方法。而紋理是局部窗口內(nèi)，像元灰度級的空間分布及空間相互關系[11]。

圖5 5*5的圖像(a)到角度135°、距離圖像(b)的灰度共生矩陣Fig.5 The gray level co-occurrence matrix from a 5*5 image(a)to an angle 135° and distance image(b)

通過統(tǒng)計分析提取了GLCM方差、均值、相關性和非相似性這4個常用的紋理的統(tǒng)計量進行研究。首先通過紋理特征增強的提取方法，提取了GLCM的一些基本紋理特征，并通過紋理的數(shù)據(jù)及特征來達到增強影像來更全面地提取GLCM紋理特征的目的。為了避免灰度圖像的局限性，先通過對圖像信息進行灰度級的量化處理來適當減少數(shù)據(jù)量影響，再結合常規(guī)統(tǒng)計方法對GLCM紋理的特征進行提取。高程程等[12]通過對灰度的降級來采取圖像信息，對紋理信息的分析并不會產(chǎn)生過大影響。因此，該研究先將圖像灰度級進行降級，先將其降至64，再對影像進行GLCM紋理特征提取。實現(xiàn)過程如下：①提取過程首先要設置滑動窗口、移動步長、移動方向這3個參數(shù)。②計算第1個窗口之內(nèi)像元的灰度共生矩陣和由它衍生的紋理特征值，再將這個生成的紋理值賦于同窗口下的中心像元。③將小窗口按照移動的步長和移動的方向移動到下一個位置，重復步驟②的計算。④多次重復步驟③，得到整幅影像數(shù)據(jù)，生成一個以紋理值為數(shù)據(jù)的共生矩陣，再將該矩陣數(shù)據(jù)轉化成紋理特征圖像數(shù)據(jù)。

4 影像對象植被指數(shù)提取

遙感影像的光譜數(shù)據(jù)利用一定的數(shù)學規(guī)則得到植被指數(shù)，它能直接體現(xiàn)植被生長趨勢與生物量指數(shù)。一般選擇可見光的紅光波段與近紅外來計算植被指數(shù)。將這2個波段進行組合可以得到不同意義的植被指數(shù)。其中，歸一化植被指數(shù)(NDVI)通常用來衡量植被生長情況以及植被覆蓋率的標準。同時它可以用來增強植被信息，與植被分布的密度成線性相關[13]，其表達式為[14]：

(8)

一般情況下，非植被區(qū)的NDVI值為負，植被區(qū)NDVI值為正。影像對象的NDVI值可以反映出影像內(nèi)部植被的豐度，是區(qū)分植被與非植被對象的良好尺度標準。研究區(qū)影像對象NDVI值見圖6。試驗利用訓練樣本，結合統(tǒng)計距離的樣本可分性分析方法來分析各地物類別間影像對象NDVI指數(shù)。

圖6 影像對象NDVI植被指數(shù)Fig.6 NDVI vegetation index of image object

對影像對象的NDVI指數(shù)分析可知，耕地與草地間的可分性較差，而草地、耕地與其他類別間的可分性較好，優(yōu)于園地均種植枸杞，耕地與園地之間的可分性較差。

5 結合紋理特征的面向?qū)ο蟮挠跋穹诸?/h2>

將耕地按照有植被覆蓋耕地與無植被覆蓋耕地分為耕地 Ⅰ 與耕地 Ⅱ 這2個類別。因為高分辨率的遙感影像具有較為復雜的性質(zhì)，目前分類方法中沒有一種能夠高效地普遍使用。因此，該研究選取使用較為廣泛、效果較好的支持向量機作為分類器。采用基于支持向量機的遙感影像面向?qū)ο蟮姆诸惙椒▉磉M行分類。從樣本點中隨機抽取大約1/3(253個)的樣本點來作為影像分類的訓練樣本，并用訓練樣本對支持向量機分類器進行訓練(圖7)來支持影像分類。

圖7 試驗區(qū)樣本點分布Fig.7 Distribution of sample points in the experimental area

6 精度評定與結果

6.1精度評定為了對不同地物的紋理特征提取方法所得到的紋理特征對圖像分類結果準確性的影響進行分析，以剩余樣本點作為測試樣本，利用混淆矩陣方法對圖像分類方案的分類結果進行了精度評價和分類精度評價(表1)。

制圖精度(PPA)代表了分類正確的像元個數(shù)(Xii)占某一類別的所有真實參考像元數(shù)量(Xi)的比例，其公式為：

(9)

用戶精度(PUA)則是正確分類像元個數(shù)(Xii)在一個類別所有像元數(shù)量(Xj)中所占的比例，其公式為：

(10)

總體分類精度(POA)則是用來表示圖像分類的正確結果占結果總體的比例，即為分類正確的像元數(shù)量與所有像元數(shù)量(M)的比例，其公式為：

(11)

Kappa系數(shù)是真實柵格與模擬柵格圖像之間一致性程度的指標，其公式為：

(12)

6.2結果

通過表格數(shù)據(jù)的對比分析，總體上來說，結合紋理特征增強算法的提取影像的紋理特征進而進行面向?qū)ο蟮挠跋穹诸惖姆椒軌蝻@著地提高高分辨率遙感影像分類的精度，尤其是對耕地這一擁有規(guī)則的紋理特征的植被類型的地表覆蓋地類的影像分類的精度有很大提高。但是該試驗也存在不足，由于試驗位于農(nóng)業(yè)牧業(yè)并存地區(qū)，人工草地同耕地Ⅰ在影像分類成果中存在較多誤分，即將大多數(shù)的人工牧草地分到了耕地Ⅰ的地類中。造成這一現(xiàn)象的原因則是由于人工草地同耕地有著相似的紋理與植被系數(shù)，后續(xù)試驗仍需改進。

[1] 陳小良.基于面向?qū)ο蠹夹g的土地利用/覆被分類研究[D].北京：中國地質(zhì)大學，2009.

[2] 陳啟浩.面向?qū)ο蟮亩嘣催b感數(shù)據(jù)分類技術研究與實現(xiàn)[D].武漢：中國地質(zhì)大學，2007.

[3] 明冬萍，邱玉芳，周文.遙感模式分類中的空間統(tǒng)計學應用：以面向?qū)ο蟮倪b感影像農(nóng)田提取為例[J].測繪學報，2016，45(7)：825-833.

[4] BLASCHKE T，STROBL J.What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS [J].GIS-Zeitschrift Für Geo-Information System，2001，14(6)： 12-17.

[5] 楊盼盼.基于高分辨率遙感影像紋理特征的面向?qū)ο笾脖环诸惙椒ㄑ芯縖D].昆明：云南師范大學，2017.

[6] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.

[7] SINGH T R，SINGH R，ROY S，et al.A new local adaptive thresholding technique in binarization[J].International journal of computer science issues，2011，8(6)：271-277.

[8] DAI P Y.Overview of fingerprint verification technologies[J].Journal of Xiamen University，2002，41(6)：750-755.

[9] 楚亞蘊，詹小四，孫兆才，等.一種結合方向信息的指紋圖像二值化算法[J].中國圖象圖形學報，2006，11(6)：855-860.

[10] HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural features for image classification[J].Systems Man & Cybernetics IEEE Transactions on，1973，3(6)：610-621.

[11] 劉龍飛，陳云浩，李京.遙感影像紋理分析方法綜述與展望[J].遙感技術與應用，2003，18(6)：441-447.

[12] 高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計算機系統(tǒng)應用，2010，19(6)：195-198.

[13] 楊盼盼，孫興齊，侯智庭.鄭州市植被覆蓋度動態(tài)監(jiān)測與分析[J].平頂山學院學報，2015(5)：83-89.

[14] 蘭明娟，魏虹，熊春妮，等.基于TM影像的重慶市北碚區(qū)地表植被覆蓋變化[J].西南大學學報(自然科學版)，2009，31(4)：100-104.